1. 决策算法概述
大家好，我是你们这堂课的主讲人。在正式开始之前，我想先聊聊一个核心问题：为什么跟踪系统里需要决策算法？
你想想看，一个雷达或者摄像头，它每秒能产生成千上万个点迹。这些点迹里，哪些是目标？哪些是噪声？目标下一秒会往哪跑？要不要跟丢这个目标去追那个？——这些问题，光靠滤波是解决不了的。它们需要决策。
一句话总结：决策算法就是跟踪系统的“大脑”，它告诉系统“该做什么”。
什么是决策算法
说白了，决策算法就是一套规则或模型。它根据当前的状态和观测数据，输出一个行动指令。
举个例子。你在开车时看到前面有个障碍物。你的大脑会快速决策：是刹车？还是打方向？还是加速冲过去？——这就是决策。
在跟踪系统里，决策算法要回答的问题更具体：
- 这个点迹是目标还是虚警？
- 两个目标靠得太近，要不要合并成一个？
- 目标丢失了，是继续搜索还是宣告跟踪结束？
- 传感器资源有限，优先跟踪哪个目标？
我记得刚入行那会儿，带我的老工程师跟我说过一句话：“滤波是手艺，决策是艺术。”当时我不太理解。后来在项目中踩了不少坑，才慢慢品出这句话的味道。
决策算法在跟踪系统中的角色
我习惯把跟踪系统分成三层：
- 感知层：传感器采集数据，生成点迹或量测。
- 滤波层：用卡尔曼滤波、粒子滤波等方法估计目标状态。
- 决策层：决定怎么关联、怎么管理、怎么分配资源。
决策层是承上启下的关键。没有它，滤波做得再好也是白搭。
举个例子。我在做多目标跟踪项目时，遇到过一个问题：两个目标交叉飞行，点迹关联错了。滤波算法本身没问题，但决策层没有正确判断“哪个点迹属于哪个目标”，结果跟踪结果一塌糊涂。
我的经验：很多新手只关注滤波算法，忽略了决策。其实80%的跟踪失败，问题都出在决策环节。
决策算法在跟踪系统中的具体角色包括：
- 数据关联：判断量测与航迹的对应关系
- 航迹管理：航迹起始、确认、维持、终结
- 资源分配：传感器调度、计算资源分配
- 模式切换：跟踪模式、搜索模式、确认模式之间的切换
决策算法的分类
我一般把决策算法分成三大类。这三类各有千秋，也各有坑。
1. 规则基决策算法
这是最传统的方法。说白了，就是写死规则。
比如：
- 如果点迹与航迹的距离小于阈值，则关联
- 如果连续3帧没有更新，则终结航迹
- 如果目标速度超过100m/s，则标记为高速目标
优点很明显：简单、可解释、调试方便。缺点也很致命：规则多了容易冲突，而且无法应对复杂场景。
避坑指南：我曾经在一个项目中，写了200多条规则。结果每次换场景都要重新调参，维护成本极高。后来我学乖了——能用规则解决的问题，尽量用规则；但别指望规则解决所有问题。
2. 优化基决策算法
这类方法把决策问题建模成优化问题。目标函数 + 约束条件，然后求解最优解。
常见的例子：
- JPDA（联合概率数据关联）：用概率加权的方式做关联
- MHT（多假设跟踪）：维护多个假设，选最优的
- 匈牙利算法：解决分配问题
优化基方法的优势是理论上最优。但实际应用中，计算量往往很大。特别是目标数量多的时候，组合爆炸会让你怀疑人生。
我记得有一次做多目标跟踪，目标数量从10个增加到20个，MHT的假设数量直接翻了100倍。嗯，那台服务器差点没扛住。
3. 学习基决策算法
这是最近几年火起来的方向。用机器学习、深度学习来做决策。
比如：
- 用神经网络判断点迹是否属于目标
- 用强化学习做传感器调度
- 用图神经网络做数据关联
学习基方法的优点是灵活、能处理复杂场景。但缺点也很明显：需要大量标注数据、可解释性差、容易过拟合。
我的建议：别一上来就上深度学习。先试试规则基，不行再上优化基，最后才考虑学习基。这个顺序能帮你省下大量时间。
三种方法的对比
我整理了一张表，方便你对比：
| 特性 | 规则基 | 优化基 | 学习基 |
|---|---|---|---|
| 复杂度 | 低 | 中 | 高 |
| 可解释性 | 高 | 中 | 低 |
| 灵活性 | 低 | 中 | 高 |
| 数据需求 | 无 | 少 | 多 |
| 适用场景 | 简单、稳定 | 中等复杂度 | 复杂、多变 |
本章知识体系
下面这张图，是我画的决策算法在跟踪系统中的整体框架。你可以把它当作本章的“地图”。
小结
这一章我们聊了三个问题：
- 什么是决策算法——就是告诉系统“该做什么”
- 它在跟踪系统中的角色——数据关联、航迹管理、资源分配
- 三大分类——规则基、优化基、学习基
我个人觉得，理解这三类方法的本质区别，比记住具体算法更重要。因为在实际项目中，你往往需要混合使用它们。
比如我最近做的一个项目：用规则基做初步筛选，用优化基做精确关联，用学习基处理异常情况。三种方法配合使用，效果比单用任何一种都好。
嗯，这一章就到这里。记住：决策算法不是万能的，但没有决策算法是万万不能的。